[论文解读] Online Target Localization using Adaptive Belief Propagation in the HMM Framework

Min-Won Seo, Solmaz S. Kia|arXiv (Cornell University)|Mar 8, 2022

Indoor and Outdoor Localization Technologies参考文献 31被引用 11

一句话总结

本文提出了一种在隐马尔可夫模型（HMM）框架内的自适应信念传播方法，以实现使用超宽带（UWB）传感器的高效、在线目标定位。通过利用分层的、类似k-d树的网格细化策略，该方法在保持高精度的同时，降低了高分辨率状态空间中的计算和内存开销，且无需假设高斯分布或线性化，实现了高达99%的内存使用减少和实时跟踪场景下的显著加速。

ABSTRACT

This paper proposes a novel adaptive sample space-based Viterbi algorithm for target localization in an online manner. The method relies on discretizing the target's motion space into cells representing a finite number of hidden states. Then, the most probable trajectory of the tracked target is computed via dynamic programming in a Hidden Markov Model (HMM) framework. The proposed method uses a Bayesian estimation framework which is neither limited to Gaussian noise models nor requires a linearized target motion model or sensor measurement models. However, an HMM-based approach to localization can suffer from poor computational complexity in scenarios where the number of hidden states increases due to high-resolution modeling or target localization in a large space. To improve this poor computational complexity, this paper proposes a belief propagation in the most probable belief space with a low to high-resolution sequentially, reducing the required resources significantly. The proposed method is inspired by the k-d Tree algorithm (e.g., quadtree) commonly used in the computer vision field. Experimental tests using an ultra-wideband (UWB) sensor network demonstrate our results.

研究动机与目标

• 解决传统基于HMM的目标定位在大或高分辨率状态空间中计算和内存开销高的问题。
• 在不依赖高斯噪声模型或线性化运动/观测模型的前提下，实现使用UWB传感器网络的在线、实时目标定位。
• 开发一种可扩展的、自适应的采样策略，仅在最可能的信念区域动态细化分辨率，以减少资源使用。
• 在存在非视 Line-of-Sight（NLoS）条件和信号遮挡的复杂室内环境中提升鲁棒性。

提出的方法

• 采用离散状态HMM框架，将二维运动空间划分为表示隐状态的网格单元。
• 采用无需高斯假设或线性化的贝叶斯估计方法，允许对非线性运动和传感器动态进行灵活建模。
• 通过在状态空间上应用动态规划的Viterbi算法，实现最大后验概率（MAP）轨迹估计。
• 引入基于四叉树式分层网格结构的自适应信念传播，从低分辨率网格开始，并仅在高似然区域进行细化。
• 根据信念传播动态调整样本空间的分辨率，从而在每个时间步减少处理的状态数量。
• 采用递归贝叶斯推理框架，结合转移概率P(xt|xt−1)和观测概率P(ot|xt)以更新信念。

实验结果

研究问题

• RQ1 基于HMM的定位框架是否能在不假设高斯噪声或线性化模型的情况下实现高精度？
• RQ2 当由于高分辨率离散化导致隐状态数量增加时，如何降低基于HMM的在线定位中的计算和内存开销？
• RQ3 基于信念传播的分层自适应采样策略是否能在显著减少资源使用的同时保持定位精度？
• RQ4 在真实世界UWB信号退化条件下（如NLoS条件和信号遮挡），所提出方法的性能如何？

主要发现

• 在第一个实验中，所提出的自适应HMM方法将内存使用量减少了93%（从7.78M降至544K个单元），计算时间减少了99.7%（从2433秒降至5.95秒），相比传统Viterbi方法。
• 在第二个场景中，自适应HMM实现了0.26m的平均回环误差（LCE），优于PF（0.51m）、EKF（1.08m）和E-RTS（0.67m），表明在信号偏差和遮挡条件下具有优异鲁棒性。
• 在第一个场景中，该方法实现了0.56m的位置RMSE，仅比传统Viterbi方法（0.49m）高出0.07m，表明在大幅减少资源消耗的同时，精度损失极小。
• 即使在信号中断期间（如27–29.5秒和49–54秒），该方法仍保持高精度，RMSE的增加幅度远小于其他方法。
• 该方法成功处理了因障碍物导致的有偏UWB测量，自适应HMM在性能上优于三边测量和粒子滤波方法。
• 该方法在大型室内环境中表现出良好的可扩展性和效率，实现了计算开销极小的实时在线定位。